Rais Base
df_capitais = read.csv("~/GitHub/AULAS/Dados/df_capitais.csv")
df_capitais$AnoTri = paste0(df_capitais$ano,'-Q',df_capitais$quater)
#-----------------------------------------------------------------------
# Passo 1: Preparação dos dados (seu código, sem alterações)
# Assumindo que 'corporate_filtro', 'corporate_filtro1' e 'series' já existem
#-----------------------------------------------------------------------
# Dados para as barras (Estoque)
temp1 <- corporate_filtro[corporate_filtro$Ano >= 2013 & corporate_filtro$Ano < 2023,]
temp1 <- temp1 %>% dplyr::group_by(AnoTri) %>%
dplyr::summarise(Estoque_Total_m2 = sum(Estoque_Total_m2),
Estoque_vago_m2 = sum(Vacancia_m2)) %>%
# Correção: O cálculo deve ser feito após o summarise
dplyr::mutate(Estoque_oculpado_m2 = Estoque_Total_m2 - Estoque_vago_m2,
taxa_Estoque_vago_m2 = Estoque_vago_m2 / Estoque_Total_m2,
taxa_Estoque_oculpado_m2 = Estoque_oculpado_m2 / Estoque_Total_m2)
# Dados para a primeira linha (Taxa de Vacância Calculada)
temp2 <- corporate_filtro1[corporate_filtro1$Ano >= 2013 & corporate_filtro1$Ano < 2023,]
temp2$tava_de_vacancia_calc <- (temp2$Vacancia_m2/temp2$Estoque_Total_m2)*100
temp <- temp2 %>% dplyr::group_by(AnoTri) %>% dplyr::summarise(tava_de_vacancia_calc_mean = mean(tava_de_vacancia_calc), units = n())
#-----------------------------------------------------------------------
# Passo 2: Construção do Gráfico com Eixo Y Secundário
#-----------------------------------------------------------------------
fig <- plot_ly()
# --- EIXO Y PRIMÁRIO (Esquerda) ---
# Trace 0: Barras para o Estoque Total
fig <- fig %>% add_trace(x = temp1$AnoTri,
y = temp1$Estoque_Total_m2,
mode = 'lines+markers',
type = 'scatter',
line = list(shape = "spline", width = 4),
name = 'Estoque Total (m²)') # Nome para a legenda
# --- EIXO Y SECUNDÁRIO (Direita) ---
# Trace 1: Linha para a sua Taxa de Vacância Média
fig <- fig %>% add_trace(x = temp$AnoTri,
y = temp$tava_de_vacancia_calc_mean,
mode = 'lines',
type = 'scatter',
line = list(shape = "spline", width = 4, dash = 'dash'),
name = 'Taxa de Vacância (%)', # Nome para a legenda
yaxis = "y2") # <-- ASSOCIAR AO EIXO Y2
# Trace 2: Linha para a Taxa de Vacância do BC
fig <- fig %>% add_trace(x = df_capitais$AnoTri,
y = df_capitais$total,
mode = 'lines+markers',
type = 'scatter',
connectgaps = TRUE,
line = list(shape = "spline", width = 4),
name = 'Pessoas Ocupadas')
# --- CONFIGURAÇÃO DOS EIXOS (LAYOUT) ---
fig <- fig %>% layout(
title = 'Análise de Estoque, Taxa de Vacância e Empregos (2013-2022)',
# Configura o eixo Y primário (esquerda)
yaxis = list(
title = 'Total'
),
# Configura o eixo Y secundário (direita)
yaxis2 = list(
overlaying = "y", # Sobrepõe o eixo 'y' primário
side = "right", # Posiciona no lado direito
title = 'Taxa de Vacância (%)', # Título do eixo
showgrid = FALSE, # Remove a grade para não poluir
zeroline = FALSE, # Remove a linha do zero
range = c(0, max(temp$tava_de_vacancia_calc_mean) * 1.2), # Ajusta o range
tickformat = "%.1f%%" # Formata os ticks para mostrar o símbolo de %
),
# Configura o eixo X
xaxis = list(
title = 'Ano-Trimestre <br><sup>Fonte: IBGE-PNADc e Buildings</sup>'
),
# Outras configurações úteis
legend = list(
orientation = 'h', # Legenda na horizontal
xanchor = 'center',
x = 0.5,
y = -0.2
),
barmode = 'group' # Modo das barras
)
# Exibir o gráfico
fig
Financiamento imobiliário com taxas de mercado - Pós-fixado
referenciado em TR
Financiamento imobiliário com taxas reguladas - Pós-fixado
referenciado em TR
Pessoa Física - Financiamento imobiliário com taxas de mercado -
Pós-fixado referenciado em IPCA
Pessoa Física - Financiamento imobiliário com taxas de reguladas -
Pós-fixado referenciado em IPCA
read_csv("~/GitHub/AULAS/Dados/fin_imob_taxas_mercado_pos_TR.csv") -> fin_imob_taxas_mercado_pos_TR
## Rows: 1750 Columns: 7
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (5): Segmento, Modalidade, InstituicaoFinanceira, TaxaJurosAoMes, TaxaJ...
## dbl (1): Posicao
## date (1): DataConsulta
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
read_csv("~/GitHub/AULAS/Dados/fin_imob_taxas_reguladas_pos_TR.csv") -> fin_imob_taxas_reguladas_pos_TR
## Rows: 2023 Columns: 7
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (5): Segmento, Modalidade, InstituicaoFinanceira, TaxaJurosAoMes, TaxaJ...
## dbl (1): Posicao
## date (1): DataConsulta
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
read_csv("~/GitHub/AULAS/Dados/fin_imob_taxas_mercado_pos_IPCA.csv") -> fin_imob_taxas_mercado_pos_IPCA
## Rows: 381 Columns: 7
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (5): Segmento, Modalidade, InstituicaoFinanceira, TaxaJurosAoMes, TaxaJ...
## dbl (1): Posicao
## date (1): DataConsulta
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
read_csv("~/GitHub/AULAS/Dados/fin_imob_taxas_reguladas_pos_IPCA.csv") -> fin_imob_taxas_reguladas_pos_IPCA
## Rows: 234 Columns: 7
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (5): Segmento, Modalidade, InstituicaoFinanceira, TaxaJurosAoMes, TaxaJ...
## dbl (1): Posicao
## date (1): DataConsulta
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
fin_imob_taxas_mercado_pos_TR <- fin_imob_taxas_mercado_pos_TR %>%
select(DataConsulta, TaxaJurosAoAno, InstituicaoFinanceira) %>%
filter(InstituicaoFinanceira == 'BCO BRADESCO S.A.' |
InstituicaoFinanceira == 'CAIXA ECONOMICA FEDERAL' |
InstituicaoFinanceira == 'ITAÚ UNIBANCO S.A.' |
InstituicaoFinanceira == 'BCO SANTANDER (BRASIL) S.A.' |
InstituicaoFinanceira == 'BCO DO BRASIL S.A.'
)%>%
spread(InstituicaoFinanceira,TaxaJurosAoAno)
fin_imob_taxas_mercado_pos_TR$DataConsulta <- as.Date(fin_imob_taxas_mercado_pos_TR$DataConsulta, "%d-%m-%Y")
fin_imob_taxas_mercado_pos_TR <- fin_imob_taxas_mercado_pos_TR[order(fin_imob_taxas_mercado_pos_TR$DataConsulta),]
fin_imob_taxas_mercado_pos_TR$`BCO BRADESCO S.A.` = as.numeric(gsub(",", ".", fin_imob_taxas_mercado_pos_TR$`BCO BRADESCO S.A.`))
fin_imob_taxas_mercado_pos_TR$`BCO SANTANDER (BRASIL) S.A.` = as.numeric(gsub(",", ".", fin_imob_taxas_mercado_pos_TR$`BCO SANTANDER (BRASIL) S.A.`))
fin_imob_taxas_mercado_pos_TR$`CAIXA ECONOMICA FEDERAL` = as.numeric(gsub(",", ".", fin_imob_taxas_mercado_pos_TR$`CAIXA ECONOMICA FEDERAL`))
fin_imob_taxas_mercado_pos_TR$`ITAÚ UNIBANCO S.A.` = as.numeric(gsub(",", ".", fin_imob_taxas_mercado_pos_TR$`ITAÚ UNIBANCO S.A.`))
fin_imob_taxas_mercado_pos_TR$`BCO DO BRASIL S.A.` = as.numeric(gsub(",", ".", fin_imob_taxas_mercado_pos_TR$`BCO DO BRASIL S.A.`))
fig <- plot_ly(x = fin_imob_taxas_mercado_pos_TR$DataConsulta)
fig <- fig %>% add_trace(y = fin_imob_taxas_mercado_pos_TR$`BCO BRADESCO S.A.`, name = "BRADESCO", type = 'scatter', mode = 'lines+markers', connectgaps = TRUE,line = list(shape = "spline"))
fig <- fig %>% add_trace(y = fin_imob_taxas_mercado_pos_TR$`BCO SANTANDER (BRASIL) S.A.`, name = "SANTANDER", type = 'scatter', mode = 'lines+markers', connectgaps = TRUE,line = list(shape = "spline"))
fig <- fig %>% add_trace(y = fin_imob_taxas_mercado_pos_TR$`CAIXA ECONOMICA FEDERAL`, name = "CAIXA", type = 'scatter', mode = 'lines+markers', connectgaps = TRUE,line = list(shape = "spline"))
fig <- fig %>% add_trace(y = fin_imob_taxas_mercado_pos_TR$`ITAÚ UNIBANCO S.A.`, name = "ITAÚ", type = 'scatter', mode = 'lines+markers', connectgaps = TRUE,line = list(shape = "spline"))
fig <- fig %>% add_trace(y = fin_imob_taxas_mercado_pos_TR$`BCO DO BRASIL S.A.`, name = "BCO DO BRASIL", type = 'scatter', mode = 'lines+markers', connectgaps = TRUE,line = list(shape = "spline"))
fig <- fig %>% layout(title = "Financiamento Imobiliário com taxas de mercados - Pós-Fixados Referenciado em TR",
xaxis = list(title = "Data<br><sup>Fonte: Bacen</sup>"),
yaxis = list (title = "Taxa Juros ao Ano"))
fig
fin_imob_taxas_reguladas_pos_TR <- fin_imob_taxas_reguladas_pos_TR %>%
select(DataConsulta, TaxaJurosAoAno, InstituicaoFinanceira) %>%
filter(InstituicaoFinanceira == 'BCO BRADESCO S.A.' |
InstituicaoFinanceira == 'CAIXA ECONOMICA FEDERAL' |
InstituicaoFinanceira == 'ITAÚ UNIBANCO S.A.' |
InstituicaoFinanceira == 'BCO SANTANDER (BRASIL) S.A.' |
InstituicaoFinanceira == 'BCO DO BRASIL S.A.'
)%>%
spread(InstituicaoFinanceira,TaxaJurosAoAno)
fin_imob_taxas_reguladas_pos_TR[fin_imob_taxas_reguladas_pos_TR$DataConsulta=="2022-05-01",4]=NA
fin_imob_taxas_reguladas_pos_TR$DataConsulta <- as.Date(fin_imob_taxas_reguladas_pos_TR$DataConsulta, "%d-%m-%Y")
fin_imob_taxas_reguladas_pos_TR <- fin_imob_taxas_reguladas_pos_TR[order(fin_imob_taxas_reguladas_pos_TR$DataConsulta),]
fin_imob_taxas_reguladas_pos_TR$`BCO BRADESCO S.A.` = as.numeric(gsub(",", ".", fin_imob_taxas_reguladas_pos_TR$`BCO BRADESCO S.A.`))
fin_imob_taxas_reguladas_pos_TR$`BCO SANTANDER (BRASIL) S.A.` = as.numeric(gsub(",", ".", fin_imob_taxas_reguladas_pos_TR$`BCO SANTANDER (BRASIL) S.A.`))
fin_imob_taxas_reguladas_pos_TR$`CAIXA ECONOMICA FEDERAL` = as.numeric(gsub(",", ".", fin_imob_taxas_reguladas_pos_TR$`CAIXA ECONOMICA FEDERAL`))
fin_imob_taxas_reguladas_pos_TR$`ITAÚ UNIBANCO S.A.` = as.numeric(gsub(",", ".", fin_imob_taxas_reguladas_pos_TR$`ITAÚ UNIBANCO S.A.`))
fin_imob_taxas_reguladas_pos_TR$`BCO DO BRASIL S.A.` = as.numeric(gsub(",", ".", fin_imob_taxas_reguladas_pos_TR$`BCO DO BRASIL S.A.`))
fig <- plot_ly(x = fin_imob_taxas_reguladas_pos_TR$DataConsulta)
fig <- fig %>% add_trace(y = fin_imob_taxas_reguladas_pos_TR$`BCO BRADESCO S.A.`, name = "BRADESCO", type = 'scatter', mode = 'lines+markers', connectgaps = TRUE,line = list(shape = "spline"))
fig <- fig %>% add_trace(y = fin_imob_taxas_reguladas_pos_TR$`BCO SANTANDER (BRASIL) S.A.`, name = "SANTANDER", type = 'scatter', mode = 'lines+markers', connectgaps = TRUE,line = list(shape = "spline"))
fig <- fig %>% add_trace(y = fin_imob_taxas_reguladas_pos_TR$`CAIXA ECONOMICA FEDERAL`, name = "CAIXA", type = 'scatter', mode = 'lines+markers', connectgaps = TRUE,line = list(shape = "spline"))
fig <- fig %>% add_trace(y = fin_imob_taxas_reguladas_pos_TR$`ITAÚ UNIBANCO S.A.`, name = "ITAÚ", type = 'scatter', mode = 'lines+markers', connectgaps = TRUE,line = list(shape = "spline"))
fig <- fig %>% add_trace(y = fin_imob_taxas_reguladas_pos_TR$`BCO DO BRASIL S.A.`, name = "BCO DO BRASIL", type = 'scatter', mode = 'lines+markers', connectgaps = TRUE,line = list(shape = "spline"))
fig <- fig %>% layout(title = "Financiamento Imobiliário com taxas de reguladas - Pós-Fixados Referenciado em TR",
xaxis = list(title = "Data<br><sup>Fonte: Bacen</sup>"),
yaxis = list (title = "Taxa Juros ao Ano"))
fig
fin_imob_taxas_mercado_pos_IPCA <- fin_imob_taxas_mercado_pos_IPCA %>%
select(DataConsulta, TaxaJurosAoAno, InstituicaoFinanceira) %>%
filter(InstituicaoFinanceira == 'CAIXA ECONOMICA FEDERAL' |
InstituicaoFinanceira == 'BCO DO BRASIL S.A.'
)%>%
spread(InstituicaoFinanceira,TaxaJurosAoAno)
fin_imob_taxas_mercado_pos_IPCA$DataConsulta <- as.Date(fin_imob_taxas_mercado_pos_IPCA$DataConsulta, "%d-%m-%Y")
fin_imob_taxas_mercado_pos_IPCA <- fin_imob_taxas_mercado_pos_IPCA[order(fin_imob_taxas_mercado_pos_IPCA$DataConsulta),]
fin_imob_taxas_mercado_pos_IPCA$`CAIXA ECONOMICA FEDERAL` = as.numeric(gsub(",", ".", fin_imob_taxas_mercado_pos_IPCA$`CAIXA ECONOMICA FEDERAL`))
fin_imob_taxas_mercado_pos_IPCA$`BCO DO BRASIL S.A.` = as.numeric(gsub(",", ".", fin_imob_taxas_mercado_pos_IPCA$`BCO DO BRASIL S.A.`))
fig <- plot_ly(x = fin_imob_taxas_mercado_pos_IPCA$DataConsulta)
fig <- fig %>% add_trace(y = fin_imob_taxas_mercado_pos_IPCA$`CAIXA ECONOMICA FEDERAL`, name = "CAIXA", type = 'scatter', mode = 'lines+markers', connectgaps = TRUE,line = list(shape = "spline"))
fig <- fig %>% add_trace(y = fin_imob_taxas_mercado_pos_IPCA$`BCO DO BRASIL S.A.`, name = "BCO DO BRASIL", type = 'scatter', mode = 'lines+markers', connectgaps = TRUE,line = list(shape = "spline"))
fig <- fig %>% layout(title = "Financiamento Imobiliário com taxas de mercado - Pós-fixado referenciado em IPCA",
xaxis = list(title = "Data<br><sup>Fonte: Bacen</sup>"),
yaxis = list (title = "Taxa Juros ao Ano"))
fig
fin_imob_taxas_reguladas_pos_IPCA <- fin_imob_taxas_reguladas_pos_IPCA %>%
select(DataConsulta, TaxaJurosAoAno, InstituicaoFinanceira) %>%
filter(InstituicaoFinanceira == 'BCO BRADESCO S.A.' |
InstituicaoFinanceira == 'CAIXA ECONOMICA FEDERAL' |
InstituicaoFinanceira == 'ITAÚ UNIBANCO S.A.' |
InstituicaoFinanceira == 'BCO SANTANDER (BRASIL) S.A.' |
InstituicaoFinanceira == 'BCO DO BRASIL S.A.'
)%>%
spread(InstituicaoFinanceira,TaxaJurosAoAno)
fin_imob_taxas_reguladas_pos_IPCA$DataConsulta <- as.Date(fin_imob_taxas_reguladas_pos_IPCA$DataConsulta, "%d-%m-%Y")
fin_imob_taxas_reguladas_pos_IPCA <- fin_imob_taxas_reguladas_pos_IPCA[order(fin_imob_taxas_reguladas_pos_IPCA$DataConsulta),]
fin_imob_taxas_reguladas_pos_IPCA$`CAIXA ECONOMICA FEDERAL` = as.numeric(gsub(",", ".", fin_imob_taxas_reguladas_pos_IPCA$`CAIXA ECONOMICA FEDERAL`))
fin_imob_taxas_reguladas_pos_IPCA$`BCO DO BRASIL S.A.` = as.numeric(gsub(",", ".", fin_imob_taxas_reguladas_pos_IPCA$`BCO DO BRASIL S.A.`))
fig <- plot_ly(x = fin_imob_taxas_reguladas_pos_IPCA$DataConsulta)
fig <- fig %>% add_trace(y = fin_imob_taxas_reguladas_pos_IPCA$`CAIXA ECONOMICA FEDERAL`, name = "CAIXA", type = 'scatter', mode = 'lines+markers', connectgaps = TRUE,line = list(shape = "spline"))
fig <- fig %>% add_trace(y = fin_imob_taxas_reguladas_pos_IPCA$`BCO DO BRASIL S.A.`, name = "BCO DO BRASIL", type = 'scatter', mode = 'lines+markers', connectgaps = TRUE,line = list(shape = "spline"))
fig <- fig %>% layout(title = "Financiamento Imobiliário com taxas de regulado - Pós-fixado referenciado em IPCA",
xaxis = list(title = "Data<br><sup>Fonte: Bacen</sup>"),
yaxis = list (title = "Taxa Juros ao Ano"))
fig
fipezap_serieshistoricas <- read_excel("~/GitHub/AULAS/Dados/fipezap-serieshistoricas.xlsx",
sheet = "São Paulo", range = "B4:V214")
## New names:
## • `Total` -> `Total...2`
## • `1D` -> `1D...3`
## • `2D` -> `2D...4`
## • `3D` -> `3D...5`
## • `4D` -> `4D...6`
## • `Total` -> `Total...7`
## • `1D` -> `1D...8`
## • `2D` -> `2D...9`
## • `3D` -> `3D...10`
## • `4D` -> `4D...11`
## • `Total` -> `Total...12`
## • `1D` -> `1D...13`
## • `2D` -> `2D...14`
## • `3D` -> `3D...15`
## • `4D` -> `4D...16`
## • `Total` -> `Total...17`
## • `1D` -> `1D...18`
## • `2D` -> `2D...19`
## • `3D` -> `3D...20`
## • `4D` -> `4D...21`
fig <- plot_ly()
fig <- fig %>% add_trace(x = fipezap_serieshistoricas$Data, y = as.numeric(fipezap_serieshistoricas$Total...12)*100, name = "Valor médio do m²", type = 'scatter', mode = 'lines+markers', connectgaps = TRUE,line = list(shape = "spline"))
## Warning in add_trace(., x = fipezap_serieshistoricas$Data, y =
## as.numeric(fipezap_serieshistoricas$Total...12) * : NAs introduzidos por
## coerção
fig <- fig %>% layout(title = "Índice de Preços de Imóveis Residenciais",
xaxis = list(title = "Data<br><sup>Fonte: FipeZap</sup>"),
yaxis = list (title = "Taxa Juros ao Ano"))
fig
temp = fipezap_serieshistoricas %>% filter(Data >= "2012-01-01")
fig <- plot_ly()
fig <- fig %>% add_trace(x = temp$Data, y = as.numeric(temp$Total...12)*100, name = "FipeZap", type = 'scatter', mode = 'lines+markers', connectgaps = TRUE,line = list(shape = "spline"))
fig <- fig %>% add_trace(x = fin_imob_taxas_reguladas_pos_TR$DataConsulta, y = fin_imob_taxas_reguladas_pos_TR$`CAIXA ECONOMICA FEDERAL`, name = "CAIXA", type = 'scatter', mode = 'lines+markers', connectgaps = TRUE,line = list(shape = "spline"))
fig <- fig %>% layout(title = "Índice de Preços de Imóveis Residenciais",
xaxis = list(title = "Data<br><sup>Fonte: FipeZap</sup>"),
yaxis = list (title = "Taxa Juros ao Ano"))
fig
load rais
lista_de_dfs <- list()
for(i in 1:100){
# Crie o caminho do arquivo
caminho_arquivo <- paste0("~/GitHub/AULAS/Dados/RAIS/RAIS_est_geocoded", i, ".csv")
# Leia o CSV forçando 'clascnae20' a ser texto e adicione à lista
lista_de_dfs[[i]] <- read_csv(
caminho_arquivo,
col_types = cols(clascnae20 = col_character(),
attributes.UnitName = col_character(),
attributes.AddNum = col_character(),
sbclas20 = col_character(),
attributes.LevelName= col_character())
)
}
# Junte todos os data frames da lista em um único data frame
RAIS_est_geocoded <- bind_rows(lista_de_dfs)
RAIS_est_geocoded = RAIS_est_geocoded[RAIS_est_geocoded$score>=98 & RAIS_est_geocoded$indraisneg == 0 & RAIS_est_geocoded$ibgesubsetor != 24,]
RAIS_est_geocoded <- RAIS_est_geocoded %>%
drop_na(long, lat)
shp_sp <- st_read("~/GitHub/AULAS/Dados/shp_base/Distritos_2017_region.shp")
## Reading layer `Distritos_2017_region' from data source
## `C:\Users\onurb\Documents\GitHub\AULAS\Dados\shp_base\Distritos_2017_region.shp'
## using driver `ESRI Shapefile'
## Simple feature collection with 134 features and 3 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY, XYZ
## Bounding box: xmin: 275295.9 ymin: 7337234 xmax: 429153.6 ymax: 7435608
## z_range: zmin: 0 zmax: 0
## Projected CRS: Corrego Alegre 1970-72 / UTM zone 23S
shp_sp <- st_zm(shp_sp)
shp_sp <- st_transform(shp_sp, crs = 4326)
shp_sp <- st_make_valid(shp_sp)
shp_sp <- st_read("~/GitHub/AULAS/Dados/shp_base/Distritos_2017_region.shp")
## Reading layer `Distritos_2017_region' from data source
## `C:\Users\onurb\Documents\GitHub\AULAS\Dados\shp_base\Distritos_2017_region.shp'
## using driver `ESRI Shapefile'
## Simple feature collection with 134 features and 3 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY, XYZ
## Bounding box: xmin: 275295.9 ymin: 7337234 xmax: 429153.6 ymax: 7435608
## z_range: zmin: 0 zmax: 0
## Projected CRS: Corrego Alegre 1970-72 / UTM zone 23S
shp_sp <- st_zm(shp_sp)
shp_sp <- st_transform(shp_sp, crs = 4326)
shp_sp <- st_make_valid(shp_sp)
shp_sp_cd <- st_read("~/GitHub/AULAS/Dados/Bairros/DISTRITO_MUNICIPAL_SP_SMDUPolygon.shp")
## Reading layer `DISTRITO_MUNICIPAL_SP_SMDUPolygon' from data source
## `C:\Users\onurb\Documents\GitHub\AULAS\Dados\Bairros\DISTRITO_MUNICIPAL_SP_SMDUPolygon.shp'
## using driver `ESRI Shapefile'
## Simple feature collection with 96 features and 2 fields
## Geometry type: POLYGON
## Dimension: XY
## Bounding box: xmin: -46.82625 ymin: -24.00813 xmax: -46.3651 ymax: -23.35659
## Geodetic CRS: SIRGAS 2000
shp_sp_cd <- st_zm(shp_sp_cd)
shp_sp_cd <- st_transform(shp_sp_cd, crs = 4326)
shp_sp_cd <- st_make_valid(shp_sp_cd)
pin_data <- data.frame(
nome = "Uberlândia",
lon = -46.63390630217495,
lat = -23.550443536456253
)
pin_sf <- st_as_sf(pin_data, coords = c("lon", "lat"), crs = 4326)
RAIS_est_geocoded <- st_as_sf(
RAIS_est_geocoded,
coords = c("long", "lat"), # <- longitude primeiro!
crs = 4326
)
ponto_referencia_geom <- st_point(c(-46.63390630217495, -23.550443536456253))
ponto_referencia_sf <- st_sfc(ponto_referencia_geom, crs = 4326)
RAIS_est_geocoded$distancia_marcozero <- format(st_distance(RAIS_est_geocoded, ponto_referencia_sf), scientific = FALSE)
RAIS_est_geocoded_rich <- st_join(RAIS_est_geocoded, shp_sp)
temp <- as.data.frame(RAIS_est_geocoded_rich) %>%
group_by(NomeDistri) %>%
summarise(
total_empregos = sum(as.numeric(estoque), na.rm = TRUE)
) %>%
ungroup()
left_join(temp, shp_sp, by = "NomeDistri") -> temp
temp <- st_as_sf(temp,crs = 4326)
quantile(temp$total_empregos, probs = seq(0, 1, by = 0.2))
## 0% 20% 40% 60% 80% 100%
## 261.0 11187.4 21766.8 33063.2 62500.6 430767.0
classIntervals(var = temp$total_empregos, n = 5, style = "jenks")
## style: jenks
## one of 12,840,751 possible partitions of this variable into 5 classes
## [261,29525] (29525,67549] (67549,132651] (132651,273770] (273770,430767]
## 77 33 16 8 1
limites <- c(-Inf, 29525, 67549, 132651, 273770, Inf)
rotulos <- c("0 - 29525", "29525 - 67549", "67549 - 132651", "132651 - 273770", "Mais de 273770")
temp$faixa_empregos <- cut(temp$total_empregos,
breaks = limites,
labels = rotulos,
right = TRUE)
library(ggplot2)
ggplot(data = temp) +
geom_sf(aes(fill = faixa_empregos), shape = 21, color = "darkgray", size = 3) +
scale_fill_brewer(palette = "YlOrRd", name = "Faixa de Empregos") +
labs(title = "Distribuição de Empregos por Faixa") +
theme_minimal() +
geom_sf(data = shp_sp_cd, fill = NA, color = "black", size = 0.5) +
# --- ADICIONANDO O PIN AQUI ---
geom_sf(data = pin_sf,
shape = 21, # Formato de círculo com borda e preenchimento
fill = "dodgerblue", # Cor de preenchimento do pin
size = 2, # Tamanho do pin
stroke = 1) + # Espessura da borda
geom_sf(data = shp_sp_cd, fill = NA, color = "black", size = 0.5) +
# Trocando para o estilo náutico
annotation_north_arrow(
location = "tl",
which_north = "true",
style = north_arrow_nautical # <-- MUDANÇA AQUI
)
tt <- sum(as.numeric(RAIS_est_geocoded_rich$estoque), na.rm = TRUE)
temp <- as.data.frame(RAIS_est_geocoded_rich) %>%
group_by(NomeDistri) %>%
summarise(
share_empregos = sum(as.numeric(estoque), na.rm = TRUE)/tt*100
) %>%
ungroup()
left_join(temp, shp_sp, by = "NomeDistri") -> temp
temp <- st_as_sf(temp,crs = 4326)
format(quantile(temp$share_empregos, probs = seq(0, 1, by = 0.2)), scientific = FALSE)
## 0% 20% 40% 60% 80%
## "0.004200175" "0.180034622" "0.350284928" "0.532073646" "1.005798655"
## 100%
## "6.932171360"
classIntervals(var = temp$share_empregos, n = 5, style = "jenks")
## style: jenks
## one of 12,840,751 possible partitions of this variable into 5 classes
## [0.004200175,0.4751347] (0.4751347,1.087041] (1.087041,2.134703]
## 77 33 16
## (2.134703,4.405678] (4.405678,6.932171]
## 8 1
limites <- c(-Inf, 0.47, 1.08, 2.13, 4.4, Inf)
rotulos <- c("0 - 0.47", "0.47 - 1.08", "1.08 - 2.13", "2.13 - 4.4", "Mais de 4.4")
temp$faixa_empregos <- cut(temp$share_empregos,
breaks = limites,
labels = rotulos,
right = TRUE)
library(ggplot2)
ggplot(data = temp) +
geom_sf(aes(fill = faixa_empregos), shape = 21, color = "darkgray", size = 3) +
scale_fill_brewer(palette = "YlOrRd", name = "Faixa de Empregos") +
labs(title = "Distribuição do Share Empregos por Faixa") +
theme_minimal() +
geom_sf(data = shp_sp_cd, fill = NA, color = "black", size = 0.5) +
# --- ADICIONANDO O PIN AQUI ---
geom_sf(data = pin_sf,
shape = 21, # Formato de círculo com borda e preenchimento
fill = "dodgerblue", # Cor de preenchimento do pin
size = 2, # Tamanho do pin
stroke = 1) + # Espessura da borda
geom_sf(data = shp_sp_cd, fill = NA, color = "black", size = 0.5) +
# Trocando para o estilo náutico
annotation_north_arrow(
location = "tl",
which_north = "true",
style = north_arrow_nautical # <-- MUDANÇA AQUI
)
temp <- as.data.frame(RAIS_est_geocoded_rich) %>%
filter(startsWith(clascnae20, "620")) %>% # add 63
group_by(NomeDistri) %>%
summarise(
total_empregos = sum(as.numeric(estoque), na.rm = TRUE)
) %>%
ungroup()
left_join(temp, shp_sp, by = "NomeDistri") -> temp
temp <- st_as_sf(temp,crs = 4326)
quantile(temp$total_empregos, probs = seq(0, 1, by = 0.1))
## 0% 10% 20% 30% 40% 50% 60% 70% 80% 90%
## 0.0 5.0 10.0 18.0 27.2 52.5 114.6 270.1 873.0 2444.4
## 100%
## 33028.0
classIntervals(var = temp$total_empregos, n = 5, style = "jenks")
## style: jenks
## one of 2,672,670 possible partitions of this variable into 5 classes
## [0,2268] (2268,8205] (8205,18360] (18360,23970] (23970,33028]
## 111 9 2 1 1
limites <- c(-Inf,2268,8205,18360,23970, Inf)
rotulos <- c("0 - 2268", "2268 - 8205", "8205 - 18360", "18360 - 23970", "Mais de 23970")
temp$faixa_empregos <- cut(temp$total_empregos,
breaks = limites,
labels = rotulos,
right = TRUE)
library(ggplot2)
ggplot(data = temp) +
geom_sf(aes(fill = faixa_empregos), shape = 21, color = "darkgray", size = 3) +
scale_fill_brewer(palette = "YlOrRd", name = "Faixa de Empregos") +
labs(title = "Distribuição de Empregos por Faixa - Tecnologia") +
theme_minimal() +
geom_sf(data = shp_sp_cd, fill = NA, color = "black", size = 0.5) +
# --- ADICIONANDO O PIN AQUI ---
geom_sf(data = pin_sf,
shape = 21, # Formato de círculo com borda e preenchimento
fill = "dodgerblue", # Cor de preenchimento do pin
size = 2, # Tamanho do pin
stroke = 1) + # Espessura da borda
geom_sf(data = shp_sp_cd, fill = NA, color = "black", size = 0.5) +
# Trocando para o estilo náutico
annotation_north_arrow(
location = "tl",
which_north = "true",
style = north_arrow_nautical # <-- MUDANÇA AQUI
)
tt <- sum(as.numeric(RAIS_est_geocoded_rich[startsWith(RAIS_est_geocoded_rich$clascnae20, "620"),]$estoque), na.rm = TRUE)
temp <- as.data.frame(RAIS_est_geocoded_rich) %>%
filter(startsWith(clascnae20, "620")) %>% # add 63
group_by(NomeDistri) %>%
summarise(
share_empregos = sum(as.numeric(estoque), na.rm = TRUE)/tt*100
) %>%
ungroup()
left_join(temp, shp_sp, by = "NomeDistri") -> temp
temp <- st_as_sf(temp,crs = 4326)
format(quantile(temp$share_empregos, probs = seq(0, 1, by = 0.2)), scientific = FALSE) ## jenks
## 0% 20% 40% 60% 80%
## " 0.000000000" " 0.006327352" " 0.017210397" " 0.072511453" " 0.552377819"
## 100%
## "20.897977778"
classIntervals(var = temp$share_empregos, n = 5, style = "jenks")
## style: jenks
## one of 2,672,670 possible partitions of this variable into 5 classes
## [0,1.435043] (1.435043,5.191592] (5.191592,11.61702] (11.61702,15.16666]
## 111 9 2 1
## (15.16666,20.89798]
## 1
limites <- c(-Inf, 1.43, 5.19, 11.61, 15.16, Inf)
rotulos <- c("0 - 1.43", "1.43 - 5.19", "5.19 - 11.61", "11.61 - 15.16", "Mais de 15.16")
temp$faixa_empregos <- cut(temp$share_empregos,
breaks = limites,
labels = rotulos,
right = TRUE)
library(ggplot2)
ggplot(data = temp) +
geom_sf(aes(fill = faixa_empregos), shape = 21, color = "darkgray", size = 3) +
scale_fill_brewer(palette = "YlOrRd", name = "Faixa de Empregos") +
labs(title = "Distribuição do Share Empregos por Faixa - Tecnologia") +
theme_minimal() +
geom_sf(data = shp_sp_cd, fill = NA, color = "black", size = 0.5) +
# --- ADICIONANDO O PIN AQUI ---
geom_sf(data = pin_sf,
shape = 21, # Formato de círculo com borda e preenchimento
fill = "dodgerblue", # Cor de preenchimento do pin
size = 2, # Tamanho do pin
stroke = 1) + # Espessura da borda
geom_sf(data = shp_sp_cd, fill = NA, color = "black", size = 0.5) +
# Trocando para o estilo náutico
annotation_north_arrow(
location = "tl",
which_north = "true",
style = north_arrow_nautical # <-- MUDANÇA AQUI
)
prefixos <- c(64,66,65,68,69,70,71,73,74,82,78,79,85,86,96,95)
temp <- as.data.frame(RAIS_est_geocoded_rich) %>%
filter(grepl(paste0("^(", paste0(prefixos, collapse = "|"), ")"), clascnae20)) %>%
group_by(NomeDistri) %>%
summarise(
total_empregos = sum(as.numeric(estoque), na.rm = TRUE)
) %>%
ungroup()
left_join(temp, shp_sp, by = "NomeDistri") -> temp
temp <- st_as_sf(temp,crs = 4326)
quantile(temp$total_empregos, probs = seq(0, 1, by = 0.2))
## 0% 20% 40% 60% 80% 100%
## 98.0 2428.4 4604.0 9424.2 23001.2 205401.0
classIntervals(var = temp$total_empregos, n = 5, style = "jenks")
## style: jenks
## one of 12,457,445 possible partitions of this variable into 5 classes
## [98,14145] (14145,41156] (41156,68242] (68242,96128] (96128,205401]
## 96 26 8 4 1
limites <- c(-Inf, 14145, 41156, 68242, 96128, Inf)
rotulos <- c("0 - 14145", "14145 - 41156", "41156 - 68242", "68242 - 96128", "Mais de 96128")
temp$faixa_empregos <- cut(temp$total_empregos,
breaks = limites,
labels = rotulos,
right = TRUE)
library(ggplot2)
ggplot(data = temp) +
geom_sf(aes(fill = faixa_empregos), shape = 21, color = "darkgray", size = 3) +
scale_fill_brewer(palette = "YlOrRd", name = "Faixa de Empregos") +
labs(title = "Distribuição de Empregos por Faixa - FIRE e Serviços") +
theme_minimal() +
geom_sf(data = shp_sp_cd, fill = NA, color = "black", size = 0.5) +
# --- ADICIONANDO O PIN AQUI ---
geom_sf(data = pin_sf,
shape = 21, # Formato de círculo com borda e preenchimento
fill = "dodgerblue", # Cor de preenchimento do pin
size = 2, # Tamanho do pin
stroke = 1) + # Espessura da borda
geom_sf(data = shp_sp_cd, fill = NA, color = "black", size = 0.5) +
# Trocando para o estilo náutico
annotation_north_arrow(
location = "tl",
which_north = "true",
style = north_arrow_nautical # <-- MUDANÇA AQUI
)
tt <- sum(as.numeric(RAIS_est_geocoded_rich[grepl(paste0("^(", paste0(prefixos, collapse = "|"), ")"), RAIS_est_geocoded_rich$clascnae20),]$estoque), na.rm = TRUE)
temp <- as.data.frame(RAIS_est_geocoded_rich) %>%
filter(grepl(paste0("^(", paste0(prefixos, collapse = "|"), ")"), clascnae20)) %>%
group_by(NomeDistri) %>%
summarise(
share_empregos = sum(as.numeric(estoque), na.rm = TRUE)/tt*100
) %>%
ungroup()
left_join(temp, shp_sp, by = "NomeDistri") -> temp
temp <- st_as_sf(temp,crs = 4326)
format(quantile(temp$share_empregos, probs = seq(0, 1, by = 0.2)), scientific = FALSE)
## 0% 20% 40% 60% 80%
## "0.004361821" "0.108084146" "0.204916573" "0.419455858" "1.023746110"
## 100%
## "9.142065402"
classIntervals(var = temp$share_empregos, n = 5, style = "jenks")
## style: jenks
## one of 12,457,445 possible partitions of this variable into 5 classes
## [0.004361821,0.629571] (0.629571,1.831787] (1.831787,3.037341]
## 96 26 8
## (3.037341,4.278501] (4.278501,9.142065]
## 4 1
limites <- c(-Inf, 0.62, 1.83, 3.03, 4.27, Inf)
rotulos <- c("0 - 0.62", "0.62 - 1.83", "1.83 - 3.03", "3.03 - 4.27", "Mais de 4.27")
temp$faixa_empregos <- cut(temp$share_empregos,
breaks = limites,
labels = rotulos,
right = TRUE)
library(ggplot2)
ggplot(data = temp) +
geom_sf(aes(fill = faixa_empregos), shape = 21, color = "darkgray", size = 3) +
scale_fill_brewer(palette = "YlOrRd", name = "Faixa de Empregos") +
labs(title = "Distribuição do Share Empregos por Faixa - FIRE e Serviços") +
theme_minimal() +
geom_sf(data = shp_sp_cd, fill = NA, color = "black", size = 0.5) +
# --- ADICIONANDO O PIN AQUI ---
geom_sf(data = pin_sf,
shape = 21, # Formato de círculo com borda e preenchimento
fill = "dodgerblue", # Cor de preenchimento do pin
size = 2, # Tamanho do pin
stroke = 1) + # Espessura da borda
geom_sf(data = shp_sp_cd, fill = NA, color = "black", size = 0.5) +
# Trocando para o estilo náutico
annotation_north_arrow(
location = "tl",
which_north = "true",
style = north_arrow_nautical # <-- MUDANÇA AQUI
)
prefixos <- c(471,472,478,475,474,477,476,453,454,476,478)
temp <- as.data.frame(RAIS_est_geocoded_rich) %>%
filter(grepl(paste0("^(", paste0(prefixos, collapse = "|"), ")"), clascnae20)) %>%
group_by(NomeDistri) %>%
summarise(
total_empregos = sum(as.numeric(estoque), na.rm = TRUE)
) %>%
ungroup()
left_join(temp, shp_sp, by = "NomeDistri") -> temp
temp <- st_as_sf(temp,crs = 4326)
quantile(temp$total_empregos, probs = seq(0, 1, by = 0.2))
## 0% 20% 40% 60% 80% 100%
## 27.0 2172.4 3874.2 5537.2 8007.6 38338.0
classIntervals(var = temp$total_empregos, n = 5, style = "jenks")
## style: jenks
## one of 12,082,785 possible partitions of this variable into 5 classes
## [27,3611] (3611,7076] (7076,11741] (11741,19721] (19721,38338]
## 53 51 19 8 4
limites <- c(-Inf, 3611, 7076, 11741, 19721, Inf)
rotulos <- c("0 - 3611", "3611 - 7076", "7076 - 11741", "11741 - 19721", "Mais de 19721")
temp$faixa_empregos <- cut(temp$total_empregos,
breaks = limites,
labels = rotulos,
right = TRUE)
library(ggplot2)
ggplot(data = temp) +
geom_sf(aes(fill = faixa_empregos), shape = 21, color = "darkgray", size = 3) +
scale_fill_brewer(palette = "YlOrRd", name = "Faixa de Empregos") +
labs(title = "Distribuição de Empregos por Faixa - Varejo") +
theme_minimal() +
geom_sf(data = shp_sp_cd, fill = NA, color = "black", size = 0.5) +
# --- ADICIONANDO O PIN AQUI ---
geom_sf(data = pin_sf,
shape = 21, # Formato de círculo com borda e preenchimento
fill = "dodgerblue", # Cor de preenchimento do pin
size = 2, # Tamanho do pin
stroke = 1) + # Espessura da borda
geom_sf(data = shp_sp_cd, fill = NA, color = "black", size = 0.5) +
# Trocando para o estilo náutico
annotation_north_arrow(
location = "tl",
which_north = "true",
style = north_arrow_nautical # <-- MUDANÇA AQUI
)
tt <- sum(as.numeric(RAIS_est_geocoded_rich[grepl(paste0("^(", paste0(prefixos, collapse = "|"), ")"), RAIS_est_geocoded_rich$clascnae20),]$estoque), na.rm = TRUE)
temp <- as.data.frame(RAIS_est_geocoded_rich) %>%
filter(grepl(paste0("^(", paste0(prefixos, collapse = "|"), ")"), clascnae20)) %>%
group_by(NomeDistri) %>%
summarise(
share_empregos = sum(as.numeric(estoque), na.rm = TRUE)/tt*100
) %>%
ungroup()
left_join(temp, shp_sp, by = "NomeDistri") -> temp
temp <- st_as_sf(temp,crs = 4326)
format(quantile(temp$share_empregos, probs = seq(0, 1, by = 0.2)), scientific = FALSE)
## 0% 20% 40% 60% 80%
## "0.003341646" "0.268866377" "0.479489099" "0.685309752" "0.991058002"
## 100%
## "4.744890066"
classIntervals(var = temp$share_empregos, n = 5, style = "jenks")
## style: jenks
## one of 12,082,785 possible partitions of this variable into 5 classes
## [0.003341646,0.4469142] (0.4469142,0.8757588] (0.8757588,1.453121]
## 53 51 19
## (1.453121,2.440763] (2.440763,4.74489]
## 8 4
limites <- c(-Inf, 0.44, 0.87, 1.45, 2.44, Inf)
rotulos <- c("0 - 0.44", "0.44 - 0.87", "0.87 - 1.45", "1.45 - 2.44", "Mais de 2.44")
temp$faixa_empregos <- cut(temp$share_empregos,
breaks = limites,
labels = rotulos,
right = TRUE)
library(ggplot2)
ggplot(data = temp) +
geom_sf(aes(fill = faixa_empregos), shape = 21, color = "darkgray", size = 0.5) +
scale_fill_brewer(palette = "YlOrRd", name = "Faixa de Empregos") +
labs(title = "Distribuição do Share Empregos por Faixa - Varejo") +
theme_minimal() +
# --- ADICIONANDO O PIN AQUI ---
geom_sf(data = pin_sf,
shape = 21, # Formato de círculo com borda e preenchimento
fill = "dodgerblue", # Cor de preenchimento do pin
size = 2, # Tamanho do pin
stroke = 1) + # Espessura da borda
geom_sf(data = shp_sp_cd, fill = NA, color = "black", size = 0.5) +
# Trocando para o estilo náutico
annotation_north_arrow(
location = "tl",
which_north = "true",
style = north_arrow_nautical # <-- MUDANÇA AQUI
)
Agregados_por_setores_demografia_BR <- read_excel("~/GitHub/AULAS/Dados/Agregados_por_setores_demografia_BR.xlsx")
shp_censo <- st_read("~/GitHub/AULAS/Dados/SP_setores_CD2022/SP_setores_CD2022.shp")
## Reading layer `SP_setores_CD2022' from data source
## `C:\Users\onurb\Documents\GitHub\AULAS\Dados\SP_setores_CD2022\SP_setores_CD2022.shp'
## using driver `ESRI Shapefile'
## Simple feature collection with 103319 features and 36 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: -53.11011 ymin: -25.358 xmax: -44.16137 ymax: -19.77966
## Geodetic CRS: SIRGAS 2000
if (st_crs(shp_sp) != st_crs(shp_censo)) {
shp_censo <- st_transform(shp_censo, crs = st_crs(shp_sp))
print("CRS transformado com sucesso!")
}
## [1] "CRS transformado com sucesso!"
shp_censo <- st_make_valid(shp_censo)
shp_sp <- st_make_valid(shp_sp)
# Filtra o shp_alvo, mantendo apenas o que está dentro do shp_filtro
shp_censo <- st_filter(shp_censo, shp_sp)
shp_censo_final <- st_join(shp_censo, shp_sp)
merge(Agregados_por_setores_demografia_BR, shp_censo_final, by.x = "CD_setor", by.y = "CD_SETOR") -> Agregados_por_setores_demografia_BR
temp <- as.data.frame(Agregados_por_setores_demografia_BR) %>%
group_by(NomeDistri,Area_ha) %>%
summarise(
total_empregos = sum(as.numeric(V01006), na.rm = TRUE)
) %>%
ungroup()
## Warning: There were 118 warnings in `summarise()`.
## The first warning was:
## ℹ In argument: `total_empregos = sum(as.numeric(V01006), na.rm = TRUE)`.
## ℹ In group 2: `NomeDistri = "Anhanguera"`, `Area_ha = 3339.95`.
## Caused by warning:
## ! NAs introduzidos por coerção
## ℹ Run `dplyr::last_dplyr_warnings()` to see the 117 remaining warnings.
## `summarise()` has grouped output by 'NomeDistri'. You can override using the
## `.groups` argument.
left_join(temp, shp_sp, by = "NomeDistri") -> temp
temp$total_empregos = temp$total_empregos / temp$Area_ha.x
temp <- st_as_sf(temp,crs = 4326)
quantile(temp$total_empregos, probs = seq(0, 1, by = 0.2))
## 0% 20% 40% 60% 80% 100%
## 0.4276839 34.2360165 85.6035265 120.5051083 147.2236390 311.0734366
classIntervals(var = temp$total_empregos, n = 5, style = "jenks")
## style: jenks
## one of 12,457,445 possible partitions of this variable into 5 classes
## [0.4276839,47.5089] (47.5089,106.349] (106.349,149.5444] (149.5444,199.0403]
## 36 35 39 17
## (199.0403,311.0734]
## 7
limites <- c(-Inf, 47.50, 106.34, 149.54, 199.04, Inf)
rotulos <- c("0 - 47.50", "47.50 - 106.34", "106.34 - 149.54", "149.54 - 199.04", "Mais de 199.04")
temp$faixa_empregos <- cut(temp$total_empregos,
breaks = limites,
labels = rotulos,
right = TRUE)
library(ggplot2)
ggplot(data = temp) +
geom_sf(aes(fill = faixa_empregos), shape = 21, color = "darkgray", size = 3) +
scale_fill_brewer(palette = "YlOrRd", name = "População") +
labs(title = "Densidade Populacional") +
theme_minimal() +
geom_sf(data = shp_sp_cd, fill = NA, color = "black", size = 0.5) +
# --- ADICIONANDO O PIN AQUI ---
geom_sf(data = pin_sf,
shape = 21, # Formato de círculo com borda e preenchimento
fill = "dodgerblue", # Cor de preenchimento do pin
size = 2, # Tamanho do pin
stroke = 1) + # Espessura da borda
geom_sf(data = shp_sp_cd, fill = NA, color = "black", size = 0.5) +
# Trocando para o estilo náutico
annotation_north_arrow(
location = "tl",
which_north = "true",
style = north_arrow_nautical # <-- MUDANÇA AQUI
)
ponto_referencia_geom <- st_point(c(-46.63390630217495, -23.550443536456253))
ponto_referencia_sf <- st_sfc(ponto_referencia_geom, crs = 4326)
Agregados_por_setores_demografia_BR <- read_excel("~/GitHub/AULAS/Dados/Agregados_por_setores_demografia_BR.xlsx")
shp_censo <- st_read("~/GitHub/AULAS/Dados/SP_setores_CD2022/SP_setores_CD2022.shp")
## Reading layer `SP_setores_CD2022' from data source
## `C:\Users\onurb\Documents\GitHub\AULAS\Dados\SP_setores_CD2022\SP_setores_CD2022.shp'
## using driver `ESRI Shapefile'
## Simple feature collection with 103319 features and 36 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: -53.11011 ymin: -25.358 xmax: -44.16137 ymax: -19.77966
## Geodetic CRS: SIRGAS 2000
if (st_crs(shp_sp) != st_crs(shp_censo)) {
shp_censo <- st_transform(shp_censo, crs = st_crs(shp_sp))
print("CRS transformado com sucesso!")
}
## [1] "CRS transformado com sucesso!"
shp_censo <- st_make_valid(shp_censo)
shp_sp <- st_make_valid(shp_sp)
# Filtra o shp_alvo, mantendo apenas o que está dentro do shp_filtro
shp_censo <- st_filter(shp_censo, shp_sp)
shp_censo_final <- st_join(shp_censo, shp_sp)
merge(Agregados_por_setores_demografia_BR, shp_censo_final, by.x = "CD_setor", by.y = "CD_SETOR") -> Agregados_por_setores_demografia_BR
Agregados_por_setores_demografia_BR <- st_as_sf(
Agregados_por_setores_demografia_BR,
crs = 4326
)
ponto_referencia_geom <- st_point(c(-46.63390630217495, -23.550443536456253))
ponto_referencia_sf <- st_sfc(ponto_referencia_geom, crs = 4326)
Agregados_por_setores_demografia_BR$distancia_marcozero <- format(st_distance(Agregados_por_setores_demografia_BR, ponto_referencia_sf), scientific = FALSE)
Agregados_por_setores_demografia_BR$distancia_marcozero = as.numeric(gsub("[^0-9.]", "", Agregados_por_setores_demografia_BR$distancia_marcozero))
Agregados_por_setores_demografia_BR$V01006 = as.numeric(Agregados_por_setores_demografia_BR$V01006)
## Warning: NAs introduzidos por coerção
dados_modelo <- Agregados_por_setores_demografia_BR %>% filter(distancia_marcozero > 0 & !is.na(distancia_marcozero))
group_by(dados_modelo, NomeDistri) %>%
summarise(
total_populacao = sum(as.numeric(V01006), na.rm = TRUE),
distancia_marcozero = mean(distancia_marcozero, na.rm = TRUE)
) %>%
ungroup() -> dados_modelo
modelo_densidade <- lm(total_populacao ~ distancia_marcozero, data = dados_modelo)
summary(modelo_densidade)
##
## Call:
## lm(formula = total_populacao ~ distancia_marcozero, data = dados_modelo)
##
## Residuals:
## Min 1Q Median 3Q Max
## -203519 -78721 -40303 22173 1137882
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.530e+05 2.462e+04 6.214 6.29e-09 ***
## distancia_marcozero 8.959e-01 1.117e+00 0.802 0.424
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 169200 on 132 degrees of freedom
## Multiple R-squared: 0.00485, Adjusted R-squared: -0.002689
## F-statistic: 0.6433 on 1 and 132 DF, p-value: 0.424
library(ggplot2)
library(mgcv)
## Carregando pacotes exigidos: nlme
##
## Attaching package: 'nlme'
## The following object is masked from 'package:dplyr':
##
## collapse
## This is mgcv 1.8-42. For overview type 'help("mgcv-package")'.
# Crie o gráfico camada por camada
ggplot(data = dados_modelo, aes(x = distancia_marcozero, y = total_populacao)) +
# 1. Adiciona os pontos de dispersão
geom_point(color = "grey", shape = 16, alpha = 0.8) +
# 2. Adiciona a linha de tendência suave (a curva)
# Usamos o método 'gam' (Generalized Additive Model) que é ótimo para capturar curvas complexas
geom_smooth(method = "gam",
formula = y ~ s(x, k=5), # s(x) cria uma curva suave
se = FALSE, # 'se = FALSE' remove a área de intervalo de confiança
color = "black", # Cor da linha
linewidth = 0.8) +
# regressa linear
geom_smooth(method = "lm",
color = "red",
se = FALSE,
linewidth = 0.8) +
# 4. Adiciona títulos e fontes
labs(
title = "Densidade Populacional de Uberlândia, 2022",
caption = "Fonte: Cálculo próprio com dados do Censo IBGE."
) +
# 5. Aplica um tema visual limpo e profissional
theme_classic() +
theme(
# Adiciona a caixa preta ao redor do gráfico
panel.border = element_rect(color = "black", fill = NA, linewidth = 1),
axis.title = element_text(size = 12),
plot.title = element_text(hjust = 0.5, size = 14, face = "bold")
)
## `geom_smooth()` using formula = 'y ~ x'
RAIS_est_geocoded_rich$distancia_marcozero <- format(st_distance(RAIS_est_geocoded_rich, ponto_referencia_sf), scientific = FALSE)
RAIS_est_geocoded_rich$distancia_marcozero = as.numeric(gsub("[^0-9.]", "", RAIS_est_geocoded_rich$distancia_marcozero))
RAIS_est_geocoded_rich$estoque = as.numeric(RAIS_est_geocoded_rich$estoque)
dados_modelo <- RAIS_est_geocoded_rich %>% filter(distancia_marcozero > 0 & !is.na(distancia_marcozero))
group_by(dados_modelo, NomeDistri) %>%
summarise(
total_estoque = sum(as.numeric(estoque), na.rm = TRUE),
distancia_marcozero = mean(distancia_marcozero, na.rm = TRUE)
) %>%
ungroup() -> dados_modelo
modelo_densidade <- lm(total_estoque ~ distancia_marcozero, data = dados_modelo)
summary(modelo_densidade)
##
## Call:
## lm(formula = total_estoque ~ distancia_marcozero, data = dados_modelo)
##
## Residuals:
## Min 1Q Median 3Q Max
## -40766 -29534 -19589 4557 376036
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 60106.7906 6923.0931 8.682 1.22e-14 ***
## distancia_marcozero -0.7405 0.2525 -2.932 0.00396 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 57960 on 133 degrees of freedom
## Multiple R-squared: 0.06073, Adjusted R-squared: 0.05367
## F-statistic: 8.599 on 1 and 133 DF, p-value: 0.003961
library(ggplot2)
library(mgcv)
# Crie o gráfico camada por camada
ggplot(data = dados_modelo, aes(x = (distancia_marcozero), y = total_estoque)) +
# 1. Adiciona os pontos de dispersão
geom_point(color = "grey", shape = 16, alpha = 0.8) +
# 2. Adiciona a linha de tendência suave (a curva)
# Usamos o método 'gam' (Generalized Additive Model) que é ótimo para capturar curvas complexas
geom_smooth(method = "gam",
formula = y ~ s(x, k=5), # s(x) cria uma curva suave
se = FALSE, # 'se = FALSE' remove a área de intervalo de confiança
color = "black", # Cor da linha
linewidth = 0.8) +
# regressa linear
geom_smooth(method = "lm",
color = "red",
se = FALSE,
linewidth = 0.8) +
# 4. Adiciona títulos e fontes
labs(
title = "Densidade Populacional de Uberlândia, 2022",
caption = "Fonte: Cálculo próprio com dados do Censo IBGE."
) +
# 5. Aplica um tema visual limpo e profissional
theme_classic() +
theme(
# Adiciona a caixa preta ao redor do gráfico
panel.border = element_rect(color = "black", fill = NA, linewidth = 1),
axis.title = element_text(size = 12),
plot.title = element_text(hjust = 0.5, size = 14, face = "bold")
)
## `geom_smooth()` using formula = 'y ~ x'
